Berechnung von Moleküleigenschaften (1)

1. Berechnung von Moleküleigenschaften (1) Prinzipiell lassen sich alle Moleküleigenschaften direkt berechnen, die sich aus der Wellenfunktion ableiten lassen, z.B. • Ionisationspotential (IP) • Elektrische Multipole (Ladung, Dipolmoment, Quadrupolmoment...) • Molekulares Elektrostatisches Potential (MEP) • Polarisierbarkeit und Hyperpolarisierbarkeit • Schwingungsspektrum (IR) • Kernspinresonanz (NMR) • Hyperfeinkopplungskonstanten (EPR) Computational Chemistry SS10

2. Berechnung von Moleküleigenschaften (2) Weitere komplexe Eigenschaften lassen sich indirekt durch Kalibrierung mittels Regressionsgleichung, SVM, neuronaler Netze oder anderer wissensbasierter Methoden ableiten.  Quantum QSAR, neuronale Netze, ... • Beispiele aus der Literatur: • logP (Wasser/n-Octanol Verteilungskoeffizient) • 13C NMR chemische Verschiebungen • Mutagenizität von Verbindungen • Löslichkeit in Wasser • Siedepunkte • Permeation der Blut-Hirn-Schranke Computational Chemistry SS10

3. Ionisationspotential (1) Energie die aufzuwenden ist, um ein Elektron aus einem Orbital zu entfernen. In der Regel ist dies ein Valenzorbital (Photo-Elektonen Spektroskopie PES). Die Ionisierungsenergien für Elektronen aus abgeschlossenen Schalen sind wesentlich höher (X-Ray Photon Spectrum, XPS). Koopmans‘ Theorem: EIonsation = ei Annahme: frozen orbitals Orbitale behalten ihre Energien im angeregten Zustand = vertikaler Übergang Computational Chemistry SS10

4. Ionisationspotential (2) Experimentell: Photoelektronenspektroskopie (PES) für Valenzelektronen und Röntgen-Photoelektronenspektroskopie (XPS) für innere Elektronen Computational Chemistry SS10

5. Elektrische Multipole (1) Die elektrischen Multipole geben die Ladungsverteilung im Molekül wieder: Cl- Ion Monopol Hd+- Cld- >=2 Ladungen Dipolallgemeines Dipolmoment vektorielle Größe Quantenmechanisch gesehen enthält das Dipolmoment Anteile der Atomkerne und der Elektronen. Während sich der Kernanteil über die Koordinaten der Atome und deren Ladung Z berechnen läßt, ergibt sich der elektronische Anteil aus der Dichtematrix D und den Ein-Elektronenintegralen mit dem Dipolmomentoperator R: Computational Chemistry SS10

6. Elektrische Multipole (2) Die höheren elektrischen Momente sind: CO2 4 Ladungen Quadrupol 3*3 Matrix (Tensor) CH4 8 Ladungen Octupol 16 Ladungen Hexadekapol ... Dipolmoment von Formaldehyd H2C=O STO-3G 1.5258 3-21G 2.2903 4-31G 3.0041 6-31G* 2.7600 6-311G(d,p) 2.7807 exptl. 2.34 Computational Chemistry SS10

7. Molekulares Elektrostatisches Potential (1) Durch die Kerne Z und Elektronen i eines Moleküls entsteht eine Ladungsverteilung im Raum. An jedem beliebigen Punkt r kann man das dadurch enstehende Potential V(r) bestimmen: Während der Kernanteil lediglich die Ladungen der Kerne enthält, ist für den elektronischen Teil eine Wellenfunktion notwendig. Zur Erinnerung: In Kraftfeldern benutzt man Atomladungen (auf den Atomen) die zusammenaddiert die elektrischen Multipole wiedergeben. Computational Chemistry SS10

8. Molekulares Elektrostatisches Potential (2) Zur Bestimmung des MEP an einem Punkt r ersetzt man in der Praxis die Integration durch eine Summation über hinreichend kleine Volumenelemente. Zur Visualisierung gibt man das MEP beispielsweise auf der van der Waals Oberfläche an Eine weitere Möglichkeit ist die Darstellung von Oberflächen mit jeweils gleichem Potential (Isocontur) Aus: A. Leach, Molecular Modelling,2nd ed. Computational Chemistry SS10

9. Molekulares Elektrostatisches Potential (3) Die Kenntnis dieser Oberflächenladungen ermöglich ihrerseits die Bestimmung von Atomladungen (z.B. für Kraftfelder) ESP derived atomic charges Diese müssen wiederum die elektrischen Multipole wiedergeben (iteratives Verfahren) Literatur: Cox & Williams J. Comput. Chem.2 (1981) 304 Bieneman & Wiberg J. Comput. Chem.11 (1990) 361 CHELPG Verfahren Singh & Kollman J. Comput. Chem.5 (1984) 129RESP Verfahren  Ladungen für das AMBER Kraftfeld Computational Chemistry SS10

10. Molekulares Elektrostatisches Potential (4) Atomzentrierte Ladungen aus ESP Rechnungen und Populationsanalysen der Wellenfunktion weisen eine starke Abhängigkeit von dem verwendeten Basissatz auf. Tendenziell sind die Ladungen auf Wasserstoffatomen betragsmäßig um so größer, je größer der verwendete Basissatz ist.  Elektronendichte „verschmiert“ da mehr Basisfunktionen auf H-Atomen zur Verfügung stehen. Üblicherweise verwendet man RHF/6-31G* für ESP Fits. Atomladung von Kohlenstoff in CH4 Basissatz Mullikenanalyse aus ESPSTO-3G -0.26 -0.383-21G -0.80 -0.456-31G(d,p) -0.47 -0.366-311++G(2d,2p) -0.18 -0.36aug-cc-pVDZ +0.63 -0.35 Computational Chemistry SS10

11. Eigenschaften allgemein (1) Viele molekulare Eigenschaften ergeben sich als Antwort des Moleküls auf eine äußere Störung:Entfernen eines Elektrons  Ionisationspotential Allgemein läßt sich eine Störung durch ein äußeres Feld in einer Taylor Reihe entwickeln. Im Falle eines äußeren elektrischen Feldes F erhält man ein induziertes Dipolmoment mind: mo permanentes Dipolmoment des Moleküls a Polarisierbarkeit b (erste) Hyperpolarisierbarkeit Computational Chemistry SS10

12. Hyperpolarisierbarkeit Durch das elektrische Feld E des Lichtes werden die Elektronen und Kerne eines Moleküls gegeneinander verschoben, was ein Dipolmoment  induziert. Dieses ist proportional zum elektrischen Feld und der Polarisierbarkeit a. Bei hohen Feldstärken kommt die Hyperpolarisierbarkeit b hinzu Computational Chemistry SS10

13. Nichtlineare Optik Experimentelle Beobachtung: Verbindungen mit hoher Hyperpolarisierbarkeit verändern die Wellenlänge bzw. Frequenz des eingestrahlten Lichtes Technisch von Bedeutung sind nichtlineare optische Substanzen in der Laser-Anwendung (Durchstimmen von Wellenlägenbereichen) und als optische Schaltelemente (optischer Computer) Computational Chemistry SS10

14. Eigenschaften allgemein (2) Auswahl von Eigenschaften die sich aus den n-ten Ableitungen der Energie nach äußeren Feldern berechnen lassen Elektr. Magn. K.Spin Koord. Eigenschaft 0 0 0 0 Energie1 0 0 0 Elektrisches Dipolmoment0 1 0 0 Magnetisches Dipolmoment0 0 1 0 Hyperfeinkopplungskonstanten0 0 0 1 Gradient der Energie (Optimierung)2 0 0 0 Elektrische Polarisierbarkeit3 0 0 0 (erste) Hyperpolarisierbarkeit0 0 0 2 harmonische Schwingungen (IR)1 0 0 1 IR Absorptionsintensitäten1 1 0 0 Circularer Dichroismus (CD)0 0 2 0 Kernspin-Kopplung (J)0 1 1 0 Kernmagnetische Abschirmung Computational Chemistry SS10

15. Harmonische Schwingungen (IR) Ergeben sich als 2. Ableitung der Energie nach den Koordinaten Prinzipieller Fehler ist die Vernachlässigung von anharmonischen Schwingungsanteilen. Außerdem hat die Molekülgeometrie (Bindungslängen) Einfluß. Berechnete IR-Frequenzen sind deshalb (fast) immer zu hoch(ca. 10% gegenüber den experimentellen Wellenzahlen cm-1) Es gibt deshalb statistisch ermittelte Skalierungsfaktoren für die jeweilige Methode/Basissatz: (RMS Fehler cm-1) HF/3-21G 0.908 87HF/6-31G* 0.895 50AM1 0.953 126PM3 0.976 159B3LYP/6-31G* 0.961 34B3PW91/6-31G* 0.957 34 Computational Chemistry SS10

16. Kernresonanzspektroskopie NMR (1) Bestimmte Atomkerne weisen einen sog. Kernspin auf, der die Eigenschaft eines rotierenden Kreisels hat, der wiederum ein magnetisches Moment besitzt. Im feldfreien Raum sind diese Momente zufällig orientiert und nehmen beim Anlegen eines äußeren elektromagnetischen Feldes bestimmte Richtungen ein. Welche Orientierung des Spins im Magnetfeld die energetisch günstigste ist, hängt von der jeweiligen Spinquantenzahl des jeweiligen Isotops ab. Computational Chemistry SS10

17. Kernresonanzspektroskopie NMR (2) Für Kerne mit Spin ½ gibt es zwei Orientierungsmöglichkeiten: mit dem Feld und entgegen dem Feld. Entsprechend ist die Energie von b größer als a. Der Energieunterschied für einen Übergang zwischen den Zuständen a und b hängt von der Stärke des äußeren Magnetfeldes B ab g gyromagnetisches Verhältnis Computational Chemistry SS10

18. Kernresonanzspektroskopie NMR (3) Der Spin und das gyromagnetische Verhältnis g sind für jedes Isotop verschieden Kern Spin natürliche g Resonanzfrequenz relative Häufigkeit bei Bo=2.35T Empfindlichkeit [%] [107 rad/Ts] [Mhz] 1H ½ 99.985 26.7519 100.00 1.00 2H 1 0.015 4.1066 15.351 9.65·10-3 6Li 1 7.42 3.9371 14.716 8.5·10-3 19F ½ 100.0 25.1815 94.077 0.843 13C ½ 1.108 6.7283 25.144 1.59·10-2 14N 1 99.634 1.9338 7.224 1.01·10-3 15N ½ 0.366 -0.4835 10.133 1.01·10-3 17O 5/2 0.037 -3.6280 13.557 2.91·10-2 31P ½ 100.0 10.8394 60.481 6.63·10-2 Computational Chemistry SS10

19. Kernresonanzspektroskopie NMR (4) Hinzu kommt, daß die Niveaus a und b gemäß der Boltzmann-Statistik populiert sind: • Bsp. 1H (Proton) bei Bo = 1.41 Tesla: E=2.4·10-2 J/mol → N=0.9999904·N • bei Bo = 7.05 Tesla: → N=0.99995·N • Da im NMR-Experiment Übergänge zwischen den Niveaus beobachtet werden, sollte E möglichst groß sein. Dies erfordert möglichst starke Magnete (Bo groß). • Supraleitende Magnete erreichen heutzutage bis zu 10 TEntsprechend wird das Magnetfeld oft auch als Resonanzfrequenz angegeben: 2.3 T entsprechen 100 Mhz Computational Chemistry SS10

20. Kernresonanzspektroskopie NMR (5) Aktuelle NMR Geräte teilweise bis 900 MHz Kühlung des supraleitenden Magneten mit flüssigem Stickstoff (77K) bzw. Helium (4K).Entsprechend aufwendig und teuer ist der Unterhalt. Computational Chemistry SS10

21. Kernresonanzspektroskopie NMR (6) Aufbau eines NMR-Spektrometers Über den Radiowellengenerator läßt sich das äußere Magnetfeld Bo variieren Die jeweilige Abschirmkonstante s hängt von der chemischen Umgebung des jeweiligen Atoms ab und bestimmt dessen Resonanzfrequenz n Computational Chemistry SS10

22. Kernresonanzspektroskopie NMR (7) Die Abschirmungskonstante  berechnet sich (im Idealfall eines einzelnen Protons) nach der Lamb Formel zu in Abhängigkeit von der Elektronendichte (r). → 2 Damit man Messungen zwischen Geräten unterschiedlicher Magnetfeldstärke Bo vergleichen kann wird die chemische Verschiebung  als Verhältnis in ppm (parts per million) angegeben: mit o = Betriebsfrequenz des Spektrometers Computational Chemistry SS10

23. Kernresonanzspektroskopie NMR (8) • Bei realen Verbindungen setzt sich die Abschirmungskonstante additiv aus verschiedenen Größen zusammen: • Der diamagnetischen Abschirmung dia bei einer kugelsymmetrischen Lasungsverteilung um den Kern • Der paramagnetischen Abschirmung para die die nicht-isotrope Ladungsverteilung berücksichtigt. Diese ist proportional zu 1/E .Zu ihrer Berechnung benötigt man u.a. die Wellenfunktion der angeregten Zustände des Moleküls. • Die magnetische Anisotropie von Nachbargruppen N die aufgrund von Elektronegativitätsunterschieden zustande kommt. • Dem Ringstromeffekt von Aromaten R • Dem elektrischen Effekt e durch geladene Gruppen (-NH3+, COO-) • Den intermolekularen Wechselwirkungen i durch Wasserstoffbrücken und das Lösungsmittel Computational Chemistry SS10

24. Kernresonanzspektroskopie NMR (9) Ringstromeffekt von aromatischen Systemen Computational Chemistry SS10

25. Kernresonanzspektroskopie NMR (10) 1H-NMR Spektrum von Vanillin Computational Chemistry SS10

26. Kernresonanzspektroskopie NMR (11) 13C-NMR Spektrum von Vanillin Computational Chemistry SS10

27. Kernresonanzspektroskopie NMR (12) Aus der Intensität der cross-peaks von 2D-NMR Spektren läßt sich die räumliche Nachbarschaft von Kernen ableiten Computational Chemistry SS10

28. Kernresonanzspektroskopie NMR (13) Verschiebungsbereiche von Isotopenkernen Kern  typisch [ppm] Referenzstandard 1H 0 - 10 TMS (Tetramethylsilan) 13C 0 - 200 TMS (Tetramethylsilan) 14N 900 - 1000 Nitromethan oder NH4NO3, beide extern 31P –100 - +250 H3PO4, extern Praktische Umsetzung der Berechnungen von NMR Verschiebung v.a. durch W. Kuzzelnigg und P. Schleyer Computational Chemistry SS10

29. Kernresonanzspektroskopie NMR (14) Während für die analytische Zwecke in der präparativen organischen Chemie v.a. die 1H, D und 13C Verschiebungen von Bedeutung sind, werden für die Strukturaufklärung von Proteinen zweidimensionale NMR Spektren benötigt. Bsp. Kopplung zwischen Kernen ist abstandsabhängig und gibt deshalb Information über die Entfernung. In der Medizin wiederum ist die räumliche Verteilung von Bedeutung. Werksfoto Siemens (um 1985) Computational Chemistry SS10

30. Ableitung komplexerer Eigenschaften • Komplexe Eigenschaften lassen sich indirekt durch wissensbasierte Methoden bestimmen • Allgemeiner Ansatz: • Statistische Ermittlung signifikanter Variablen • Aufstellen einer Regressionanalyse und Fit der Koeffizienten an einem hinreichend großen Satz von Daten quantitative structure acivity relationsship (QSAR)quantitative structure property relatationship (QSPR) • Validierung an einem Testsatz von Daten die nicht für den Fit benutzt wurden Computational Chemistry SS10

31. Quantum QSAR Generierung der molekularen Eigenschaften für die QSAR-Gleichung aus quantenmechanischen Daten. Bsp: Mutagenizität von MX-Verbindungen ln(TA100) = -13.57 E(LUMO) –12.98 ; r = 0.82 Lit.: K. Tuppurainen et al. Mutat. Res.247 (1991) 97. Computational Chemistry SS10

32. Neuronale Netze (1) Neuronale Netze sind eine gängige Implementierung der “künstlichen Intelligenz”. Der Name leitet sich aus der netzwerkähnlichen Verknüpfung zwischen den Schaltelementen (Neuronen) innerhalb des Systems ab. Gegenüber Regressionsgleichungen lassen sich mit neuronalen Netzen auch inter-korrelierte Daten verarbeiten Computational Chemistry SS10

33. Neuronale Netze (2) Ein neuronales Netz besteht aus einem input layer, ein bis mehreren hidden layers, sowie dem output layer Außerdem kann die Art der Signalweitergabe zwischen den Neuronen unterschiedlich sein: Computational Chemistry SS10

34. LogP aus einem neuronalen Netz (1) LogP: Wasser/n-Octanol Verteilungskoeffizient -4 < logP < 8 hydrophil lipophil Idee: Der Verteilungskoeffizient ist durch die elektronischen Eigenschaften eines Moleküls bestimmt die quantenchemisch berechnet werden können. Zu den Eigenschaften gehören: Dipolmoment, mittlere Polarisierbarkeit, Moleküloberfläche, Molekülvolumen, Globularität, Anzahl und Typ von Heteroatomen (N, O, P, S, F, Cl, Br, I), minimales und maximales elektrostatisches Potential und statistische Größen davon (Mittelwerte und Varianz). Computational Chemistry SS10

35. LogP aus einem neuronalen Netz (2) backpropagation net mit 16 Input Neuronen, 25 Neuronen im hidden layer und 1 Output Neuron das den logP angibt. Als Trainings Set wurden 980 zufällig ausgewählte Moleküle aus einer Datenbank von 1085 Verbindungen gewählt. Die restlichen 105 dienten als Test Set. Eigenschaften berechnet mit AM1 PM3 Trainings Set r2=0.965 r2=0.883 Standartabweichung 0.41 0.45 Test Set r2=0.902 r2=0.830 Standartabweichung 0.53 0.67 Lit: Breindl, Beck, Clark, Glen, J.Mol. Model.3 (1997) 142 Computational Chemistry SS10

36. Moleküleigenschaften Zusammenfassung Alle Moleküleigenschaften die sich auch aus spektroskopischen Messungen bestimmen lassen sind direkt aus der Wellenfunktion berechenbar.  Wechselwirkungen zwischen elektromagnetischer Strahlung und der Materie (= Kerne + Elektronen) Computational Chemistry SS10